成绩单好看，口碑跟不上跑分？
(资料图片仅供参考)
AIX财经（AIXcaijing）原创
作者 | 雷晶
编辑 | 金玙璠
8月3日，预热两周后，阿里正式发布Qwen3.8-Max。模型参数规模达到2.4万亿，支持最长100万Token上下文，重点提升编程、办公、科研和长周期任务能力。按照官方说法，它不仅可以回答问题，还能调用工具、修改代码，并端到端完成复杂任务。
开发者可通过千问AI平台获得Qwen3.8-Max的API服务，每百万Token输入12元、输出36元，在国产头部模型中处于中间价位。阿里还计划开源Qwen3.8系列的27B小尺寸模型，为本地部署和低成本应用提供更多选择。这也意味着，千问一边用Max级别模型冲击能力上限，一边继续通过开源模型扩大开发者生态。
7月19日预览版上线时，千问称该模型正以“天”为单位持续进化，并对标Anthropic最强旗舰模型Fable 5，宣称它“可能是除了Fable 5以外最强大的模型”。口号不小，实际成色如何？先看它和Fable 5的基准测试成绩对比。
我们挑了两类项目：一类是Qwen3.8-Max反超Fable 5的，一类是差距仍然明显的。可以看出，Qwen3.8-Max确实在科研编程、Agent和办公任务中取得明显进步，部分项目超过海外旗舰模型，但在真实软件工程和复杂环境操作中仍有差距。
预览版发布后的两周里，不少开发者参与测试，千问团队也在根据反馈持续调整模型。如今正式版上线，千问会给国产模型的竞争带来变数吗？
01.最新模型，强在哪儿、差在哪儿？
先看跑分成绩。
在官方发布的基准测试中，千问将Fable 5、Opus 4.8和GPT-5.6 Sol等海外旗舰模型作为对比对象。从结果来看，Qwen3.8-Max相较前代提升明显，但还没有做到全面领先。
进步最突出的是科研编程和Agent任务。PaperBench要求模型理解论文、搭建实验并复现结果，Qwen3.8-Max从上一代的64.8分升至93分；在Agents’ Last Exam测试中，其任务通过率也从11.8%升至27%。两项成绩同时提高，一定程度上反映出它在代码生成、工具调用、连续执行和反馈修正方面的进步。
但在真实软件工程测试中，Qwen3.8-Max还没有追上最强模型。在SWE-bench Pro测试中，Qwen3.8-Max得到67.7分，比Fable 5低12.3分，也略低于Claude Opus 4.8的69.2分。这类测试要求模型进入已有代码仓库，完成跨文件修改，并避免引入新问题。Qwen3.8-Max更会解决复杂任务了，但在真实项目中的全局理解和修改稳定性仍是短板。
再来看一下第三方榜单成绩。这里我们选择了Arena榜单来进行解读，Arena主要依靠用户盲选投票，更接近模型最终交付给用户的实际体验。其中，Vision Arena主要反映图像理解和视觉问答体验，Text Arena考察通用文本、指令执行和表达质量，Code Arena则更关注模型生成网页的视觉效果、交互和完成度。
Qwen3.8-Max在视觉和文本榜单上分别排名第二和第五，与榜首均相差13分。文本榜单分差相对集中，Qwen3.8-Max虽然排名第五，但仍处于头部区间。在前端代码榜单中，它排名第四，比榜首的Opus 5-Max低37分。官方编程基准成绩较好，与Arena未能登顶并不矛盾，前者主要反映解题和工程任务能力，后者更侧重生成结果的视觉效果、交互完成度和用户偏好。
图源 / 千问官网
不过，比单项成绩更值得关注的是长周期任务。
随着头部模型在单次问答、知识推理和代码生成上的差距越来越小，竞争的重点变成了模型能不能把一项工作持续做完。
大模型从业者王楠将长周期任务的难点概括为远距离规划、状态追踪和错误恢复。每一步操作都会改变环境，一次错误的后果可能在数步之后才显现。模型不仅要记得最终目标，还要判断任务进行到了哪里、前一步是否正确，以及失败后应该从哪里重新开始。
他介绍，目前行业主要通过任务规划、结构化记忆、多Agent协作等方式解决这些问题。简单来说，就是给模型增加任务管理、质量检查和回滚机制，让长周期任务不再只依赖模型自身，而是由模型和外部工程系统共同完成。
千问给出的案例是，Qwen3.8-Max连续运行约16天，从零构建了一个名为oh-my-cli的开源项目。用户反馈、社区实践和模型自测结果先被整理为Issue（任务单），再由Agent领取；代码完成后运行构建、单元测试和端到端测试，验证失败则退回修改。在这套循环中，issue负责记录任务状态，自动测试提供外部反馈，退回修改则对应错误恢复。
这说明千问展示的不只是模型能够连续生成代码的能力，更是它能否借助工程系统持续接收任务、验证结果并修正错误的能力。
不过，连续运行16天仍不能直接证明长周期能力已经成熟。王楠表示，真正需要验证的是模型能否长期保持目标一致，能否及时发现错误，以及出错后能否恢复。落到实际使用中，还要考察最终功能是否可用、重复执行是否稳定、中途需要多少次人工接管，以及完成任务所需的Token和算力成本。
综合来看，Qwen3.8-Max已经进入头部模型的竞争范围，在办公、多模态理解、搜索和部分编程任务提升明显；短板则主要集中在真实代码仓库、复杂工具调用和动态环境中的连续操作。
长周期任务可能是Qwen3.8-Max的亮点，但目前最有代表性的证据仍来自官方搭建的项目，它能否在不同任务中以较少的人工介入稳定交付，还需要开发者社区进一步验证。
02.跑分和口碑的落差
千问系列模型一直不缺少好成绩。5月20日，阿里发布的Qwen3.7-Max曾位列Code Arena第四名，是当时国产模型的第一；在Text Arena也一度排名第六。
但在实际使用中，Qwen3.7-Max的口碑并不一致。开发者艾林认为，Qwen3.7-Max对项目的理解比较清晰，在问题分析和输出逻辑上略胜一筹。但在处理复杂代码时，前期看起来进展顺利，检查结果时却会发现漏洞，反而增加了工作量。
当时，围绕Qwen3.7-Max的评价主要集中在，它擅长阅读代码、分析问题和提出方案，进入执行阶段后却可能扩大修改范围、改动无关配置，或者没有严格遵守需求。
新一代的模型Qwen3.8-Max在上代模型的基础上进行了提升，艾林测试后认为，Qwen3.8-Max在任务拆解、Agent调用、需求理解和UI设计方面均有明显提升，不过与Fable系列仍有距离。
独立开发者李默也感受到编程和复杂任务能力的进步，认为Qwen3.8-Max已经摸到了第一梯队的门槛。但在生成交互网站时，模型没有完整实现核心拖动功能，还把HTML标签直接显示在页面上。“Qwen3.8-Max有点懒”，需要把要求拆得非常具体，才能执行到位。
相比Qwen3.7-Max，Qwen3.8-Max更会拆解任务，也更容易做出接近成品的页面，但没有完全解决稳定性和交付意识的问题。
个体体验有落差，那放到国产模型的竞争里看，千问排在什么水平？
一个细节值得注意：上一代发布时，千问的对标名单里还有智谱、月之暗面、深度求索等国内厂商；这一次，对标对象只剩OpenAI和Anthropic的旗舰模型。这并不意味着它已经甩开国产对手，随着Kimi K3和DeepSeek V4的发布，国内竞争只会更激烈。
所以，我们也将Qwen3.8-Max与国内近期发布的新模型Kimi K3以及DeepSeek V4 Flash做一组对比。两款模型的参照意义不同：Kimi K3是同期发布的同级旗舰，用来回答“千问掉队了吗”；DeepSeek V4的Pro版尚未发布，目前只有轻量化的V4 Flash有公开成绩，它要回答的是，Qwen3.8-Max比一台便宜得多的轻量模型强多少，多花的钱值不值。
先看和Kimi K3的对比。从双方均公布成绩的基准测试来看，Qwen3.8-Max只在工作流智能体任务上超过Kimi K3，其余项目多数落后。差距较小的主要是终端操作和科学推理，说明两者的基础能力处于相近区间。差距较大的则是深度软件工程和前沿工程任务，反映Qwen3.8-Max在复杂代码仓库中的持续执行能力仍有不足。
再看和DeepSeek V4 Flash的对比。Qwen3.8-Max在所有可比项目中均占优势，覆盖编程、自动化和工具调用，考虑到双方量级不同，这个结果在预期之内。更值得注意的是差距的幅度：V4 Flash以更小的规模、更低的调用成本，取得了“够用”的成绩。这场对比真正的信息量不在输赢，而在价格。如果轻量模型的能力已经够用，中间价位的旗舰就要证明，多出来的能力值这个差价。
从基准成绩来看，真正说明问题的是与Kimi K3的对比：Qwen3.8-Max多数项目落后，但差距有限，算不上掉队；与DeepSeek V4 Flash的对比则更多反映定位差异，它有更高的能力上限，但上限能不能变成用户愿意付的钱，还要看实际交付。
开发者的实际感受与跑分互相印证。李默认为，Qwen3.8-Max在长上下文和复杂任务上的提升“实打实”，尤其是编程和智能体协作方面；但代码能力弱于GLM 5.2和Kimi K3，还不能稳定排进第一梯队前列。千问计划开放27B模型权重，可能成为它在中小型开源模型市场上的另一项优势。
国内外开发者的关注点也不太一样。海外社交平台的讨论更多集中在前端能力、审美提升，以及与海外头部模型的差距缩小；国内开发者则更务实，分数涨了多少没那么重要，值不值得换掉手里正在用的模型，才是他们关心的问题。
因此，如果第一梯队指模型的能力上限，Qwen3.8-Max已经接近。如果还要求交付质量稳定、成本有优势，并能成为开发者的默认选择，它目前更像第一梯队候选。
03.国产模型集体崛起，阿里还有竞争力吗？
再把视角放到Qwen3.8-Max背后的阿里，它面对的竞争已经比过去更复杂。
过去，一项架构创新、更长的上下文或更低的API价格，都可能成为模型的突出卖点。现在，这些能力正在快速普及，MoE架构、百万Token上下文、智能体编程、多模态和开放权重，几乎成为国产头部模型的共同发展方向，不再是千问独有的优势。
对手的动作也越来越快。Kimi K3在复杂软件工程和长周期任务中表现突出，部分成绩已经超过海外闭源模型；DeepSeek V4继续以低价和推理效率吸引开发者；GLM 5.2则凭借编程能力获得不少海外开发者认可，有人将其视为接近Claude头部模型的国产替代方案。
技术路线逐渐趋同，单个模型很难建立长期壁垒。今天领先的跑分，可能在下一轮更新后就被反超。竞争变成了谁能持续推出更强的模型，同时把推理成本降下来，让更多用户愿意长期使用。
竞争最终都会落到价格上，API定价正好能看清四家的不同策略。
从价格梯度来看，Kimi K3走高价旗舰路线，DeepSeek V4-Pro继续用低价争夺调用量，Qwen3.8-Max与GLM 5.2则处在两者之间。不过，千问的输入、输出价格均高于智谱，因此它在中间档位中也不占价格优势。
对于编程和Agent任务，Token单价只是成本的一部分。模型要反复读取上下文、调用工具、生成代码并根据执行结果继续修改，任务成功率、重试次数和人工接管成本，往往比单次调用价格更影响总账。
低价模型如果频繁理解错需求，节省的调用费用可能会被检查和返工成本抵消；价格较高的模型如果能一次完成任务，综合成本反而可能更低。这也解释了为什么阿里不采取激进降价策略，Qwen3.8-Max需要证明的，是完成同一项任务时能否带来更低的综合成本。
从这个角度看，Qwen3.8-Max的价格并不算贵，但优势也不稳固。它比Kimi K3便宜，却在部分复杂编程任务上落后；它的能力高于DeepSeek V4 Flash，价格差距又远大于能力差距。千问需要依靠稳定性和实际交付质量，守住中间位置。
阿里更难被复制的优势是模型之外的完整生态。
在模型层面，阿里已经覆盖通用语言、编程、数学、视觉、语音、全模态和视频生成，并延伸到世界模型和具身智能。企业不必为文字、图片、语音和视频任务分别寻找供应商，可以在同一套平台中组合不同模型。
在产品层面，阿里还有云计算、模型开发平台、钉钉、淘宝以及大量企业客户。模型可以被直接接入办公、电商、客服、营销和软件开发场景。发布当天，阿里旗下企业级Agent产品“千问办公”同步开启公测，模型能力正被直接装进办公场景。阿里披露，Qwen在国内企业级大模型调用市场排名第一，阿里云也位居国内AI云市场第一。
这对B端客户尤其重要。企业采购的不只是一项模型能力，还包括算力、数据存储、权限管理、安全合规、部署运维和服务保障。阿里能够把这些环节打包提供，把模型能力变成一套可以直接采购和部署的服务。对于已经使用阿里云或钉钉的企业，接入千问的迁移成本也更低。
不过，生态不能替代模型能力。企业越来越倾向于在同一套系统中调用多个模型，哪个效果更好、价格更低，就把任务分配给哪个。平台越开放，模型被替换也越容易。如果千问长期落后于第一梯队，云和渠道只能延缓用户流失，无法消除能力差距。
所以，阿里的竞争力依然存在，但壁垒已经不再是某一款Qwen模型。模型能力决定它能否拿到入场券，价格决定开发者是否愿意尝试，云服务和企业生态则决定客户会不会长期留下。
对阿里而言，挑战是持续留在第一梯队，并把模型、算力和应用生态转化为稳定的商业交付。
*题图由AI生成。应受访者要求，王楠、李默为化名。
营业执照公示信息